基于密集神经网络的混合优化技术用于恶性淋巴瘤癌症的诊断
原文中文，约500字，阅读约需1分钟。发表于：。本研究解决了淋巴瘤亚型诊断中存在的挑战，提出了一种新型的混合深度学习框架，该框架结合了DenseNet201进行特征提取和基于哈里斯鹰优化算法的密集神经网络进行分类。研究结果显示，该模型在诊断准确率上达到了99.33%，显著提高了准确性和可解释性，具有临床应用的潜力。
研究提出了一种名为LymphoML的机器学习方法，通过处理H&E染色组织，精确分类淋巴瘤亚型。该方法利用组织微阵列核心，分割细胞核和细胞，计算特征，并训练梯度增强模型进行诊断预测。LymphoML在有限的H&E染色组织上表现出与病理学家相当的准确性，并在危地马拉数据集上优于深度学习。研究还发现核形状特征对某些淋巴瘤亚型具有重要鉴别性，结合免疫染色特征的模型也显示出高准确性。
